CN113050782A - 画像构建方法、装置、终端及存储介质 - Google Patents
画像构建方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN113050782A CN113050782A CN201911380415.5A CN201911380415A CN113050782A CN 113050782 A CN113050782 A CN 113050782A CN 201911380415 A CN201911380415 A CN 201911380415A CN 113050782 A CN113050782 A CN 113050782A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- target
- dimension
- image
- quantifiable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
- G06F1/3212—Monitoring battery levels, e.g. power saving mode being initiated when battery voltage goes below a certain level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/3296—Power saving characterised by the action undertaken by lowering the supply or operating voltage
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请实施例公开了一种画像构建方法、装置、终端及存储介质,属于互联网技术领域。该方法包括:获取目标终端的功耗数据,功耗数据是在终端运行过程中采集到的与功耗相关的数据;根据功耗数据确定各个画像维度的画像维度值,画像维度包括可量化画像维度和离散画像维度,且可量化画像维度的画像维度值为可量化数值,离散画像维度的画像维度值为离散值;构建包括可量化画像维度和离散画像维度的目标功耗画像。通过多个画像维度来构建目标功耗画像,使得目标功耗画像更符合用户使用终端的习惯,从而提高了表征终端功耗特性指标的多样性和全面性。
Description
技术领域
本申请实施例涉及互联网技术领域,特别涉及一种画像构建方法、装置、终端及存储介质。
背景技术
在终端运行过程中,通过收集终端运行过程中产生的数据,可以用来分析用户使用终端的习惯。
相关技术中,通过获取终端的充电使用习惯数据,来预测用户使用终端的习惯,从而生成符合用户充电习惯的动态省电策略。但是,仅根据充电使用习惯数据预测用户使用终端的习惯,数据结构较为单一,结果比较片面。
发明内容
本申请实施例提供了一种画像构建方法、装置、终端及存储介质。所述技术方案如下:
一方面,本申请实施例提供了一种画像构建方法,所述方法包括:
获取目标终端的功耗数据,所述功耗数据是在终端运行过程中采集到的与功耗相关的数据;
根据所述功耗数据确定各个画像维度的画像维度值,所述画像维度包括可量化画像维度和离散画像维度,且所述可量化画像维度的所述画像维度值为可量化数值,所述离散画像维度的所述画像维度值为离散值;
构建包括所述可量化画像维度和所述离散画像维度的目标功耗画像。
另一方面,本申请实施例提供了一种画像构建装置,所述装置包括:
第一获取模块,用于获取目标终端的功耗数据,所述功耗数据是在终端运行过程中采集到的与功耗相关的数据;
第一确定模块,用于根据所述功耗数据确定各个画像维度的画像维度值,所述画像维度包括可量化画像维度和离散画像维度,且所述可量化画像维度的所述画像维度值为可量化数值,所述离散画像维度的所述画像维度值为离散值;
构建模块,用于构建包括所述可量化画像维度和所述离散画像维度的目标功耗画像。
另一方面,本申请实施例提供了一种终端,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述方面所述的画像构建方法。
另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述方面所述的画像构建方法。
另一方面,还提供了一种计算机程序产品,该计算机程序产品存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述方面所述的画像构建方法。
采用本申请实施例提供的画像构建方法,通过目标终端在运行过程中采集与功耗相关的数据(功耗数据),并根据功耗数据确定可量化画像维度的画像维度值,以及离散画像维度的画像维度值,从而根据可量化画像维度和离散画像维度确定出目标功耗画像。通过多个画像维度来构建目标功耗画像,使得目标功耗画像更符合用户使用终端的习惯,从而提高了表征终端功耗特性指标的多样性和全面性。
附图说明
图1示出了本申请一个示例性实施例提供的实施环境的示意图;
图2示出了本申请一个示例性实施例示出的画像构建方法的流程图;
图3示出了本申请另一个示例性实施例示出的画像构建方法的流程图;
图4示出了本申请另一个示例性实施例示出的画像构建方法的流程图;
图5示出了本申请一个示例性实施例示出的确定目标功耗优化策略过程的流程图;
图6示出了本申请另一个示例性实施例示出的确定目标功耗优化策略的方法的流程图;
图7示出了本申请一个实施例提供的画像构建装置的结构框图;
图8示出了本申请一个示例性实施例提供的终端的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参考图1,其示出了本申请一个示例性实施例提供的实施环境的示意图,该实施环境中包含终端101和服务器102。
终端101中安装和运行有多个应用,且终端101是具有数据的收集和处理功能的设备。比如,终端101可以是手机、平板电脑、PC(Personal Computer,个人计算机)或其他电子设备。本申请实施例中,终端101可以在运行过程中采集与功耗相关的数据,即功耗数据;可选的,终端101可以根据功耗数据构建功耗画像;可选的,终端101中预先存储有人群分类模型,该人群分类模型为服务器102推送给终端101的;可选的,终端101可以接收服务器102推送的人群功耗画像和功耗优化策略。
终端101和服务器102之间通过有线或无线网络相连。
服务器102是具有接收终端101发送的功耗数据、处理分析该功耗数据、以及推送人群分类模型和功耗优化策略等功能的设备,其可以是一台服务器,若干台服务器构成的服务器集群或云服务器。
本申请实施例中,服务器102可以和大量终端进行数据交互,即可以接收大量终端上报的功耗画像或功耗数据,并利用大量功耗画像对聚类模型进行训练,从而得到人群分类模型;可选的,服务器根据人群分类模型对不同终端对应的功耗画像进行分群聚类之后,可以得到多个预设群体以及预设群体对应的人群功耗画像;可选的,开发人员可以根据人群功耗画像制定多种功耗优化策略;可选的,服务器102可以将人群聚类模型、人群功耗画像以及功耗优化策略推送给终端101。
请参考图2,其示出了本申请一个示例性实施例示出的画像构建方法的流程图。本实施例以该方法应用于图1所示的终端来举例说明。该方法包括:
步骤201,获取目标终端的功耗数据,功耗数据是在终端运行过程中采集到的与功耗相关的数据。
其中,功耗数据可以包括:终端每次充电时长、终端每天充电次数、终端开始充电时的电量百分比、终端结束充电时的电量百分比、终端省电模式开启次数、终端处于省电模式下的时长、终端的亮屏时间、终端的亮灭屏次数、终端中各个应用切换事件(应用运行时长)、终端中各个应用的耗电量等。
在一种可能的实施方式中,终端在运行过程中采集与功耗相关的数据,并存储在特定的存储分区中,以便后续对该功耗数据进行分析处理。示意性的,终端采集到的一组功耗数据可以包括:终端某一天进行充电2次,每次充电时长1小时,第一次开始充电时的电量为40%,结束充电时的电量为100%,第二次开始充电时的电量为20%,结束充电时的电量为80%,终端开启省电模式1次,终端处于省电模式下的时长为2小时,亮屏时间为12个小时,终端亮灭屏次数20次,终端中游戏类应用使用最频繁,终端中游戏类应用耗电量最高等。
步骤202,根据功耗数据确定各个画像维度的画像维度值,画像维度包括可量化画像维度和离散画像维度。
其中,功耗画像对应的各个画像维度可以是预先设置在终端中,也可以是服务器根据大量的样本功耗数据确定出的,并将该画像维度推送给各个目标终端中。
在一种可能的实施方式中,终端定期将采集到的功耗数据与各个画像维度对应,得到各个画像维度的画像维度值。可选的,终端根据15天内采集到的功耗数据来确定各个画像维度的画像维度值。
其中,可量化画像维度的画像维度值为可量化数值,比如,终端每天充电的次数、终端开始充电时的电量百分比、终端结束充电时的电量百分比、终端省电模式开启次数、终端处于省电模式下的时长、终端的亮屏时间、终端的亮灭屏次数等,上述功耗数据都可以用数值来表示,根据这些功耗数据确定的画像维度值也是数值或数值区间。
示意性的,若终端15天内采集到的终端每天进行充电的次数为(2,3,2,2,1,3,2,3,2,1,3,2,3,2,2),则根据该功耗数据确定的画像维度可以是:终端每天进行充电次数为1-3次。
其中,离散画像维度的画像维度值为离散值。比如,终端中常用的应用类型、终端中耗电量最多的应用类型等,其对应的画像维度值可以是游戏类应用、社交类应用、通讯类应用、地图导航类应用、影音类应用、图书类应用中的至少一个。
步骤203,构建包括可量化画像维度和离散画像维度的目标功耗画像。
在一种可能的实施方式中,目标终端将获得的各个画像维度的画像维度值,确定为目标功耗画像。示意性的,目标功耗画像可以包括:终端每天充电次数1-3次,终端中常用应用为游戏类应用,终端中游戏类应用为高功耗应用等。
综上所述,本申请实施例中,通过目标终端在运行过程中采集与功耗相关的数据(功耗数据),并根据功耗数据确定可量化画像维度的画像维度值,以及离散画像维度的画像维度值,从而根据可量化画像维度和离散画像维度确定出目标功耗画像。通过多个画像维度来构建目标功耗画像,使得目标功耗画像更符合用户使用终端的习惯,从而提高了表征终端功耗特性指标的多样性和全面性。
在一种可能的应用场景下,目标终端也可以将功耗数据上报至服务器,由服务器根据该功耗数据,以及预先确定的画像维度,构建出目标终端对应的目标功耗画像,并将该目标功耗画像推送给目标终端,无需目标终端进行目标功耗画像的构建,可以减少目标终端的数据处理量。
由于终端采集到的功耗数据的多样性,而确定每一个画像维度的画像维度值,仅需要功耗数据中的某一类值,为了提高确定画像维度值的效率,因此,在确定画像维度值之前,需要从功耗数据中确定出各个画像维度对应的目标功耗数据。
请参考图3,其示出了本申请另一个示例性实施例示出的画像构建方法的流程图。本实施例以该方法应用于图1所示的终端来举例说明。该方法包括:
步骤301,获取目标终端的功耗数据,功耗数据是在终端运行过程中采集到的与功耗相关的数据。
本步骤的实施方式可以参考步骤201,本实施例在此不做赘述。
步骤302,对于可量化画像维度中的目标可量化画像维度,获取目标可量化画像维度对应的目标功耗数据,其中,不同可量化画像维度对应不同功耗数据。
其中,可量化画像维度包括但不限于:电量敏感度、充电难度和终端持续使用时长。
在一种可能的实施方式中,开发人员可以预先将可量化画像维度与其对应的目标功耗数据类型相关联,作为目标终端的出厂设置存储在目标终端中,以便后续目标终端根据该关联关系,确定目标功耗数据。示意性的,与可量化画像维度相关的目标功耗数据可以包括:单次充电时长、单日充电次数、开始充电电量、结束充电电量、省电模式开启次数、省电模式持续时长和亮屏时间等。
由于可量化画像维度中还包含多个维度,每个维度也有其对应的目标功耗数据,因此,针对可量化画像维度中的各个维度,也应确定其对应的目标功耗数据。
示意性的,如图4所示,步骤302可以包括步骤302A、步骤302B和步骤302C。
步骤302A,将充电次数和开始充电电量,确定为电量敏感度对应的目标功耗数据。
在一种可能的实施方式中,将充电次数和开始充电电量确定为电量敏感度对应的目标功耗数据,其中,充电次数与电量敏感度呈正相关关系,开始充电电量与电量敏感度呈正相关关系。
示意性的,若用户A在终端当前电量为50%时,即为终端进行充电;而用户B在终端当前电量为20%时,对终端进行充电,相比较用户A,显然用户B对终端电量的敏感度较低;而当用户A在终端电量较高时即对终端进行充电,可以间接导致终端的充电次数较多。
步骤302B,将充电次数、开始充电电量、结束充电电量、省电模式开启次数和省电模式持续时长,确定为充电难度对应的目标功耗数据。
在一种可能的实施方式中,反映终端充电难度的功耗数据可以包括:充电次数、开始充电电量、省电模式开启次数和省电模式开启时长等。其中,一般终端处于省电模式下,终端的某些运行性能就会受到影响,因此,一般只有在为了维持终端续航的情况下,用户才会开启省电模式。
其中,充电次数与充电难度呈负相关关系,即充电次数越多,充电难度越低;开始充电电量以及结束充电电量与充电难度呈负相关关系,即开始充电电量越高,充电难度越低,结束充电电量越高,充电难度越低;省电模式开启次数以及省电模式持续时长与充电难度呈正相关关系,即省电模式开启次数越多,则充电难度越高,省电模式持续时长越长,则充电难度越高。
步骤302C,将亮屏时间确定为终端持续使用时长对应的目标功耗数据。
在一种可能的实施方式中,终端的持续使用时长可以通过终端的亮屏时间累加得到,因此,将亮屏时间确定为终端持续使用时长对应的目标功耗数据。
其中,亮屏时长与终端持续使用时长呈正相关关系,即亮屏时长越长,终端使用时长越长。
可选的,终端的亮灭屏次数也可以间接反映终端持续使用时长的多少,比如,亮灭屏次数少,可以反映终端持续处于亮屏状态,即终端持续使用时长较长。
步骤303,根据目标功耗数据,通过目标可量化画像维度对应的目标维度值算法计算目标可量化画像维度的目标画像维度值。
其中,终端中预先设置有维度值算法,用于对目标功耗数据进行分析计算,从而抽象出各个可量化画像维度对应的画像维度值。维度值算法可以是加权平均法,或算术平均法等,本实施例对采用的维度值算法不构成限定。
在一种可能的实施方式中,当确定出各个可量化画像维度分别对应的目标功耗数据之后,即可以结合维度值算法,计算得到各个可量化画像维度分别对应的画像维度值。
示意性的,以加权平均法为例,若目标可量化画像维度为电量敏感度,其对应的目标功耗数据为充电次数和开始充电电量,则电量敏感度对应的目标画像维度值可以表示为:
在一种可能的实施方式中,终端在15天内采集到的充电次数的功耗数据可以是(2,3,2,2,1,3,2,3,2,1,3,2,3,2,2),对其取平均值得到A=2.2;可选的,若第一天充电次数为2次,第一次开始充电电量为30%,第二次开始充电电量为50%,则对这两次开始充电电量取平均值,得到第一天的开始充电电量为40%,依次类推,得到15天的开始充电电量数据为(40%,35%,30%,40%,25%,35%,44%,25%,30%,28%,36%,40%,35%,35%,30%),对其取平均值可以得到B=33.87%;设定f1=0.4,f2=0.6,则得到的电量敏感度对应的目标画像维度值为1.08322。
可选的,不同可量化画像维度对应不同维度值算法。
比如,若可量化画像维度为充电难度,则其对应的维度值算法可以是:
其中,代表充电难度对应的目标画像维度值,A为采集周期内充电次数的平均值,f3为充电次数对应的权重,B为采集周期内开始充电电量的平均值,f4为开始充电电量对应的权重,C为采集周期内结束充电电量的平均值,f5为结束充电电量对应的权重,D为采集周期内省电模式开启次数的平均值,f6为省电模式开启次数对应的权重,E为省电模式持续时长的平均值,f7为省电模式持续时长对应的权重。
可选的,对于同一功耗数据,其在不同可量化画像维度中的权重是不同的。
可选的,若目标功耗数据与目标画像维度值呈负相关关系,则其对应的权重可以为负值,相应的,若目标功耗数据与目标画像维度值呈正相关关系,则其对应的权重可以为正值。
步骤304,根据离散画像维度对应的目标功耗数据,确定离散画像维度的目标画像维度值。
其中,离散画像维度可以包括但不限于:高耗电应用类型、常用应用类型等。
在一种可能的实施方式中,与可量化画像维度类似,开发人员可以预先将离散画像维度与其对应的目标功耗数据类型相关联,作为目标终端的出厂设置存储在目标终端中。比如,与离散画像维度相关的目标功耗数据可以包括:单日最常用应用类型、单日最耗电应用类型等。
可选的,将单日最耗电应用类型的相关数据,确定为常用应用类型对应的目标功耗数据,将单日最耗电应用类型的相关数据,确定为高耗电应用类型对应的目标功耗数据。
示意性的,若终端采集到的功耗数据显示:终端采集周期内常用应用类型为游戏类应用,则常用应用类型对应的画像维度值为:游戏类应用;若终端采集到的功耗数据显示:终端采集周期内游戏类应用耗电量最多,则高耗电应用类型对应的画像维度值为:游戏类应用。
可选的,离散画像维度的维度值可以用1、2、3等数字来表示,比如,游戏类应用为1、社交类应用为2、通信类应用为3。
步骤305,构建包括可量化画像维度和离散画像维度的目标功耗画像。
在一种可能的实施方式中,终端将可量化画像维度的画像维度值和离散画像维度的画像维度值确定为目标功耗画像。
示意性的,目标功耗画像可以包括:电量敏感度(1.08322)、充电难度(1.25)、终端持续亮屏时长(8)、常用应用类型-游戏类应用、高耗电应用类型-游戏类应用。
本实施例中,通过获取各个画像维度对应的目标功耗数据,并根据预先设置的画像维度值算法,计算得到各个画像维度的目标画像维度值,从而将各个目标画像维度值确定为目标功耗画像,使得目标功耗画像可以包含多种维度,且各个维度又综合分析多种类型的功耗数据得到,可以提高目标功耗画像的全面性和多样性,从而使得目标功耗画像更符合用户对目标终端的使用习惯。
由于目标功耗画像可以反映用户使用目标终端的功耗习惯、偏好等,在对终端进行功耗优化方面可以发挥一定的价值,因此,在一种可能的实施方式中,当目标终端构建出目标功耗画像之后,可以根据该目标功耗画像来确定对应的功耗优化策略,进而根据功耗优化策略对终端功耗进行优化。
示意性的,如图5所示,其示出了本申请一个示例性实施例示出的确定目标功耗优化策略过程的流程图,该方法包括:
步骤501,将目标功耗画像输入人群分类模型,得到目标功耗画像对应的目标人群,人群分类模型根据不同终端对应的功耗画像训练得到。
其中,终端中预先存储有人群分类模型,该人群分类模型可以将功耗画像划分至预设群体中。该人群分类模型的训练方式可以参考下文实施例,本实施例在此不做赘述。
在一种可能的实施方式中,当目标终端构建出目标功耗画像之后,可以将该目标功耗画像输入人群分类模型中,得到该目标功耗画像对应的目标人群。
可选的,可以将目标功耗画像转化为向量的形式输入人群分类模型中。比如,目标功耗画像为:电量敏感度(1.08322)、充电难度(1.25)、终端持续亮屏时长(8)、常用应用类型-游戏类应用、高耗电应用类型-游戏类应用,转化为向量的形式可以为(1.08322,1.25,8,1,1)。
可选的,预设群体可以是具有特定含义的群体,比如学生族、上班族、游戏爱好者、追剧族、电子书爱好者等等,或者,预设群体可以是具有相似功耗特征、但不具有特定含义的人群集合,比如,使用游戏类应用频率较高的人群集合、对终端电量敏感度较高的人群的集合。
可选的,该人群分类模型也可以是服务器推送给各个目标终端的。
步骤502,获取目标人群对应的目标人群功耗画像,目标人群功耗画像与目标功耗画像的画像维度相同。
在一种可能的实施方式中,终端中预先存储有各个预设群体对应的人群功耗画像,当终端根据人群聚类模型和目标功耗画像确定出目标人群之后,则可以根据该目标人群匹配对应的目标人群功耗画像。
示意性的,若目标功耗画像为(1.08322,1.25,8,1,1),其对应的目标人群可以是使用游戏类应用频率较高的人群,该目标人群功耗画像可以是:电量敏感度值(0-10),充电难度值(0-10),终端持续使用时长(0-12),高耗电应用类型(游戏类应用),常用应用类型(游戏类应用)。
步骤503,根据目标功耗画像和目标人群功耗画像,确定目标功耗画像中可量化画像维度对应的维度等级,维度等级为离散值。
在一种可能的实施方式中,对于同一目标人群画像中的各个画像维度,其取值区间为一个集合,而属于同一目标群体的不同用户的功耗特征可能存在差异,为了使得确定的目标功耗优化策略更符合用户使用终端的习惯,因此,可以对目标人群功耗画像进行维度等级划分,进一步确定目标功耗画像在目标人群功耗画像中的维度等级,并根据维度等级针对性的制定相应的目标功耗优化策略。
示意性的,在图5的基础上,如图6所示,步骤503包括步骤503A和步骤503B。
步骤503A,获取目标人群功耗画像中可量化画像维度对应的数值范围,目标人群功耗画像中可量化画像维度对应的数值范围被划分为n个数值范围,且不同数值范围对应不同维度等级,n为大于等于2的整数。
在一种可能的实施方式中,终端获取目标人群功耗画像中各个可量化画像维度对应的数值范围,示意性的,目标人群功耗画像中的电量敏感度的数值范围为0-10,充电难度的数值范围为(0-10),终端持续使用时长的数值范围为(4-12)。
可选的,可以将各个数值范围进行合理划分,划分为n个数值范围,并为划分出的n个数值范围设置维度等级。示意性的,以目标人群为使用游戏类应用频率较高的人群为例,可以将电量敏感度值(0-10)划分为5个数值范围,即(0-2)为维度等级1,(2-4)为维度等级2,(4-6)为维度等级3,(6-8)为维度等级4,(8-10)为维度等级5;充电难度值也可以同样划分为5个维度等级,与电量敏感度类似。
步骤503B,根据目标功耗画像中可量化画像维度对应数值所属的数值范围,确定目标功耗画像中可量化画像维度对应的维度等级。
在一种可能的实施方式中,根据目标功耗画像中各个可量化画像维度对应的画像维度值,与上述各个维度等级的数值范围,可以确定出目标功耗画像中可量化画像维度对应的维度等级。
示意性的,若目标功耗画像中可量化画像维度对应的数值为(1.08322,1.25,8),则对应的维度等级分别为:电量敏感度1级,充电难度1级,终端持续使用时长4级。
步骤504,根据可量化画像维度对应的维度等级以及离散画像维度的画像维度值,确定目标功耗画像对应的目标功耗优化策略。
在一种可能的实施方式中,开发人员预先针对各个可量化画像维度对应的维度等级以及离散画像维度的画像维度值,制定出对应的功耗优化策略,并推送至目标终端。
示意性的,对于电量获取难度1级(较低),且终端使用时长为4级(高)的用户,即该用户终端依赖程度高,可以随时充电,针对该用户,不需要进行过多的功耗使用限制,可以将终端性能调整为最优状态,以提高用户的使用体验。对于电量获取难度为4级(高),且手机使用时长为4级(高)的用户,即该用户日常较少充电但使用时长较长,针对该用户,当终端电量较低到某个数值时,需要对终端运行进行限制,比如,限制后台运行应用的数量,以便节省终端功耗,提升终端续航能力。
可选的,开发人员可以针对不同可量化画像维度的维度等级的集合,制定不同的功耗优化策略,比如,集合A为(1,4,4),代表电量敏感度1级,充电难度4级,终端使用时长4级,针对集合A制定功耗优化策略1;集合B为(1,1,4),针对集合B制定功耗优化策略2,依次类推,可以得到多个不同的功耗优化策略。
在一种可能的实施方式中,当目标终端确定出目标功耗画像中各个可量化画像维度对应的维度等级之后,即可以根据可量化画像维度对应的维度等级以及离散画像维度的画像维度值,确定目标功耗画像对应的目标功耗优化策略。
示意性的,若该可量化画像维度对应的维度等级的集合为(1,4,4),则可以根据该集合确定出目标功耗画像对应的目标功耗优化策略为功耗优化策略1。
本实施例中,通过将目标优化策略输入人群分类模型中,得到目标优化策略对应的目标人群以及目标人群功耗画像,并根据目标功耗画像在目标人群功耗画像中的维度等级,确定目标终端对应的目标功耗优化策略,使得目标功耗优化策略更符合用户使用终端的习惯,提高了终端在功耗方面的优化策略的多样性和全面性。
在一种可能的应用场景下,人群分类模型是基于聚类模型训练得到的,示意性的,服务器可以通过非监督方式来训练人群分类模型:
1、将功耗画像输入m个聚类模型,得到m个聚类模型输出的m种聚类结果,m为大于等于2的整数,且不同聚类模型采用不同聚类算法。
在一种可能的实施方式中,服务器可以接收多个终端上报的功耗数据,并根据各个画像维度,确定出各个终端对应的功耗画像,并利用该功耗画像训练聚类模型。
由于人群分类模型是将具有相似特征的功耗画像进行聚类,而只有大量的功耗画像才会呈现一定的聚类现象,为了保证训练得到的人群分类模型的精度,因此,在一种可能的实施方式中,服务器中预先设置有功耗画像的数量阈值,即当服务器检测到功耗画像的数量达到数量阈值时,即可以根据该功耗画像,来训练聚类模型,比如,功耗画像的数量阈值可以是500个。
其中,聚类算法可以包括K均值(K-Means)聚类算法、均值偏移聚类算法、密度聚类算法、高斯混合模型(Gaussian Mixture Model,GMM)、层次聚类算法等。本实施例对采用的聚类算法不构成限定。
为了提高获取到的人群分类模型的精度,并实现无监督训练,在一种可能的实施方式中,服务器将功耗画像输入m个不同的聚类模型中进行训练,且不同的聚类模型分别采用不同的聚类算法,得到m个聚类结果。示意性的,若将功耗画像分别输入聚类模型A和聚类模型B,得到聚类模型A对应的聚类结果为A1、A2、A3、A4等;得到聚类模型B对应的聚类结果为B1、B2、B3、B4等。
2、根据m种聚类结果对m个聚类模型进行交叉训练。
在一种可能的实施方式中,可以采用交叉训练的方式来训练多个聚类模型。示意性的,若采用聚类模型A和聚类模型B,则可以利用聚类模型A的聚类结果对聚类模型B进行训练,利用聚类模型B的聚类结果对聚类模型A进行训练,最终得到的不同聚类模型的聚类效果相近。
3、将训练得到的任一聚类模型确定为人群分类模型。
在一种可能的实施方式中,当各个聚类模型的聚类结果满足收敛条件时(比如各个聚类模型的聚类结果的相似度高于相似度阈值),可以将其中的任一聚类模型确定为人群分类模型,且该人群分类模型可以实现将功耗画像划分到对应的预设群体中。
示意性的,利用人群分类模型可以将各个功耗画像进行分群聚类,得到各个功耗画像对应的群体,比如,500个功耗画像经过人群分类模型,可能得到6个群体。即将该群体作为预设群体。
本实施例中,服务器通过功耗数据构建功耗画像,当功耗画像的数量达到数量阈值时,通过该功耗画像训练人群分类,以便后续根据该人群分类模型来确定目标终端用户所属的目标人群,此外,通过使用不同聚类算法,可以使得算法插件化,方便交叉检验无监督聚类结果,既可以提高人群分类模型的精度,同时可以实现自动化的模型训练过程。
在一种可能的应用场景下,当服务器训练得到人群分类模型之后,即可以根据该人群分类模型对功耗画像进行聚类,得到各个预设群体,从而根据每个预设群体中包含的多个功耗画像生成人群功耗画像。
示意性的,人群1中包含用户A、用户B、用户C以及用户D,若用户A对应的终端持续使用时长为(8),用户B对应的终端持续使用时长为(7),用户C对应的终端持续使用时长为(10),用户D对应的终端持续使用时长为(9),则群体1对应的人群功耗画像可以为终端持续使用时长为(7-10)。
可选的,开发人员可以针对各个预设人群功耗画像制定对应的功耗优化策略,并通过服务器将人群功耗画像以及功耗优化策略推送给各个目标终端,以便目标终端确定出目标人群功耗画像之后,可以根据该目标人群功耗画像匹配对应的功耗优化策略。
请参考图7,其示出了本申请一个实施例提供的画像构建装置的结构框图。该装置可以通过软件、硬件或者两者的结合实现成为服务器的全部或一部分。该装置包括:
第一获取模块701,用于获取目标终端的功耗数据,所述功耗数据是在终端运行过程中采集到的与功耗相关的数据;
第一确定模块702,用于根据所述功耗数据确定各个画像维度的画像维度值,所述画像维度包括可量化画像维度和离散画像维度,且所述可量化画像维度的所述画像维度值为可量化数值,所述离散画像维度的所述画像维度值为离散值;
构建模块703,用于构建包括所述可量化画像维度和所述离散画像维度的目标功耗画像。
可选的,所述第一确定模块702,包括:
第一获取单元,用于对于所述可量化画像维度中的目标可量化画像维度,获取所述目标可量化画像维度对应的目标功耗数据,其中,不同可量化画像维度对应不同功耗数据;
计算单元,用于根据所述目标功耗数据,通过所述目标可量化画像维度对应的目标维度值算法计算所述目标可量化画像维度的目标画像维度值,其中,不同可量化画像维度对应不同维度值算法。
可选的,所述可量化画像维度包括电量敏感度、充电难度和终端持续使用时长中的至少一种;所述功耗数据包括单次充电时长、单日充电次数、开始充电电量、结束充电电量、省电模式开启次数、省电模式持续时长和亮屏时间中的至少一种;
可选的,所述第一获取单元还用于:
将所述充电次数和所述开始充电电量,确定为所述电量敏感度对应的所述目标功耗数据;
将所述充电次数、所述开始充电电量、所述结束充电电量、所述省电模式开启次数和所述省电模式持续时长,确定为所述充电难度对应的所述目标功耗数据;
将所述亮屏时间确定为所述终端持续使用时长对应的所述目标功耗数据。
可选的,对于所述电量敏感度,所述充电次数与所述目标画像维度值呈正相关关系,所述开始充电电量与所述目标画像维度值呈正相关关系;
对于所述充电难度,所述充电次数与所述目标画像维度值呈负相关关系,所述开始充电电量以及所述结束充电电量与所述目标画像维度值呈负相关关系,所述省电模式开启次数以及所述省电模式持续时长与所述目标画像维度值呈正相关关系;
对于所述终端持续使用时长,所述亮屏时间与所述目标画像维度值呈正相关关系。
可选的,所述装置还包括:
输入模块,用于将所述目标功耗画像输入人群分类模型,得到所述目标功耗画像对应的目标人群,所述人群分类模型根据不同终端对应的功耗画像训练得到;
第二获取模块,用于获取所述目标人群对应的目标人群功耗画像,所述目标人群功耗画像与所述目标功耗画像的画像维度相同;
第二确定模块,用于根据所述目标功耗画像和所述目标人群功耗画像,确定所述目标功耗画像中所述可量化画像维度对应的维度等级,所述维度等级为离散值;
第三确定模块,用于根据所述可量化画像维度对应的所述维度等级以及所述离散画像维度的所述画像维度值,确定所述目标功耗画像对应的目标功耗优化策略。
可选的,所述第二确定模块,包括:
第二获取单元,用于获取所述目标人群功耗画像中所述可量化画像维度对应的数值范围,所述目标人群功耗画像中所述可量化画像维度对应的数值范围被划分为n个数值范围,且不同数值范围对应不同维度等级,n为大于等于2的整数;
第一确定单元,用于根据所述目标功耗画像中所述可量化画像维度对应数值所属的数值范围,确定所述目标功耗画像中所述可量化画像维度对应的所述维度等级。
可选的,所述装置还包括:
接收模块,用于接收服务器下发的人群功耗画像以及功耗优化策略,所述人群功耗画像由所述服务器利用所述人群分类模型对不同终端对应的功耗画像进行分群聚类后,根据形成的类簇中的各个功耗画像生成。
可选的,所述人群分类模型基于聚类模型训练得到,所述服务器用于将不同终端对应的功耗画像输入m个聚类模型,得到所述m个聚类模型输出的m种聚类结果,并根据所述m种聚类结果对所述m个聚类模型进行交叉训练,将训练得到任一聚类模型确定为所述人群分类模型,m为大于等于2的整数,且不同聚类模型采用不同聚类算法。
综上所述,本申请实施例中,通过目标终端在运行过程中采集与功耗相关的数据(功耗数据),并根据功耗数据确定可量化画像维度的画像维度值,以及离散画像维度的画像维度值,从而根据可量化画像维度和离散画像维度确定出目标功耗画像。通过多个画像维度来构建目标功耗画像,使得目标功耗画像更符合用户使用终端的习惯,从而提高了表征终端功耗特性指标的多样性和全面性。
需要说明的是,上述实施例提供的装置在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
请参考图8,其示出了本申请一个示例性实施例提供的终端800的结构框图。本申请实施例中的服务器800可以包括一个或多个如下部件:处理器810、存储器820和屏幕830。
处理器810可以包括一个或者多个处理核心。处理器810利用各种接口和线路连接整个终端800内的各个部分,通过运行或执行存储在存储器820内的指令、程序、代码集或指令集,以及调用存储在存储器820内的数据,执行终端800的各种功能和处理数据。可选地,处理器810可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器810可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责屏幕830所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器810中,单独通过一块通信芯片进行实现。
存储器820可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory,ROM)。可选地,该存储器820包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器820可用于存储指令、程序、代码、代码集或指令集。存储器820可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等,该操作***可以是安卓(Android)***(包括基于Android***深度开发的***)、苹果公司开发的IOS***(包括基于IOS***深度开发的***)或其它***。存储数据区还可以存储终端800在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
屏幕830可以为电容式触摸显示屏,该电容式触摸显示屏用于接收用户使用手指、触摸笔等任何适合的物体在其上或附近的触摸操作,以及显示各个应用程序的用户界面。触摸显示屏通常设置在终端800的前面板。触摸显示屏可被设计成为全面屏、曲面屏或异型屏。触摸显示屏还可被设计成为全面屏与曲面屏的结合,异型屏与曲面屏的结合,本申请实施例对此不加以限定。
除此之外,本领域技术人员可以理解,图8中示出的终端800的结构并不构成对终端800的限定,终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。比如,终端800中还包括射频电路、拍摄组件、传感器、音频电路、无线保真(Wireless Fidelity,WiFi)组件、电源、蓝牙组件等部件,在此不再赘述。
本申请实施例还提供了一种计算机可读介质,该计算机可读介质存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的画像构建方法。
本申请实施例还提供了一种计算机程序产品,该计算机程序产品存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的画像构建方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (11)
1.一种画像构建方法,其特征在于,所述方法包括:
获取目标终端的功耗数据,所述功耗数据是在终端运行过程中采集到的与功耗相关的数据;
根据所述功耗数据确定各个画像维度的画像维度值,所述画像维度包括可量化画像维度和离散画像维度,且所述可量化画像维度的所述画像维度值为可量化数值,所述离散画像维度的所述画像维度值为离散值;
构建包括所述可量化画像维度和所述离散画像维度的目标功耗画像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述功耗数据确定各个画像维度的画像维度值,包括:
对于所述可量化画像维度中的目标可量化画像维度,获取所述目标可量化画像维度对应的目标功耗数据,其中,不同可量化画像维度对应不同功耗数据;
根据所述目标功耗数据,通过所述目标可量化画像维度对应的目标维度值算法计算所述目标可量化画像维度的目标画像维度值,其中,不同可量化画像维度对应不同维度值算法。
3.根据权利要求2所述的方法,其特征在于,所述可量化画像维度包括电量敏感度、充电难度和终端持续使用时长中的至少一种;所述功耗数据包括单次充电时长、单日充电次数、开始充电电量、结束充电电量、省电模式开启次数、省电模式持续时长和亮屏时间中的至少一种;
所述获取所述目标可量化画像维度对应的目标功耗数据,包括:
将所述充电次数和所述开始充电电量,确定为所述电量敏感度对应的所述目标功耗数据;
将所述充电次数、所述开始充电电量、所述结束充电电量、所述省电模式开启次数和所述省电模式持续时长,确定为所述充电难度对应的所述目标功耗数据;
将所述亮屏时间确定为所述终端持续使用时长对应的所述目标功耗数据。
4.根据权利要求3所述的方法,其特征在于,
对于所述电量敏感度,所述充电次数与所述目标画像维度值呈正相关关系,所述开始充电电量与所述目标画像维度值呈正相关关系;
对于所述充电难度,所述充电次数与所述目标画像维度值呈负相关关系,所述开始充电电量以及所述结束充电电量与所述目标画像维度值呈负相关关系,所述省电模式开启次数以及所述省电模式持续时长与所述目标画像维度值呈正相关关系;
对于所述终端持续使用时长,所述亮屏时间与所述目标画像维度值呈正相关关系。
5.根据权利要求1至4任一所述的方法,其特征在于,所述构建包括所述可量化画像维度和所述离散画像维度的目标功耗画像之后,所述方法还包括:
将所述目标功耗画像输入人群分类模型,得到所述目标功耗画像对应的目标人群,所述人群分类模型根据不同终端对应的功耗画像训练得到;
获取所述目标人群对应的目标人群功耗画像,所述目标人群功耗画像与所述目标功耗画像的画像维度相同;
根据所述目标功耗画像和所述目标人群功耗画像,确定所述目标功耗画像中所述可量化画像维度对应的维度等级,所述维度等级为离散值;
根据所述可量化画像维度对应的所述维度等级以及所述离散画像维度的所述画像维度值,确定所述目标功耗画像对应的目标功耗优化策略。
6.根据权利要求5所述的方法,其特征在于,所述根据所述目标功耗画像和所述目标人群功耗画像,确定所述目标功耗画像中所述可量化画像维度对应的维度等级,包括:
获取所述目标人群功耗画像中所述可量化画像维度对应的数值范围,所述目标人群功耗画像中所述可量化画像维度对应的数值范围被划分为n个数值范围,且不同数值范围对应不同维度等级,n为大于等于2的整数;
根据所述目标功耗画像中所述可量化画像维度对应数值所属的数值范围,确定所述目标功耗画像中所述可量化画像维度对应的所述维度等级。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
接收服务器下发的人群功耗画像以及功耗优化策略,所述人群功耗画像由所述服务器利用所述人群分类模型对不同终端对应的功耗画像进行分群聚类后,根据形成的类簇中的各个功耗画像生成。
8.根据权利要求7所述的方法,其特征在于,所述人群分类模型基于聚类模型训练得到,所述服务器用于将不同终端对应的功耗画像输入m个聚类模型,得到所述m个聚类模型输出的m种聚类结果,并根据所述m种聚类结果对所述m个聚类模型进行交叉训练,将训练得到任一聚类模型确定为所述人群分类模型,m为大于等于2的整数,且不同聚类模型采用不同聚类算法。
9.一种画像构建装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标终端的功耗数据,所述功耗数据是在终端运行过程中采集到的与功耗相关的数据;
第一确定模块,用于根据所述功耗数据确定各个画像维度的画像维度值,所述画像维度包括可量化画像维度和离散画像维度,且所述可量化画像维度的所述画像维度值为可量化数值,所述离散画像维度的所述画像维度值为离散值;
构建模块,用于构建包括所述可量化画像维度和所述离散画像维度的目标功耗画像。
10.一种终端,其特征在于,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至8任一所述的画像构建方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至8任一所述的画像构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911380415.5A CN113050782B (zh) | 2019-12-27 | 2019-12-27 | 画像构建方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911380415.5A CN113050782B (zh) | 2019-12-27 | 2019-12-27 | 画像构建方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113050782A true CN113050782A (zh) | 2021-06-29 |
CN113050782B CN113050782B (zh) | 2023-02-28 |
Family
ID=76506803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911380415.5A Active CN113050782B (zh) | 2019-12-27 | 2019-12-27 | 画像构建方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113050782B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116795628A (zh) * | 2023-05-24 | 2023-09-22 | 荣耀终端有限公司 | 终端设备的功耗处理方法、终端设备以及可读存储介质 |
CN116804960A (zh) * | 2023-05-24 | 2023-09-26 | 荣耀终端有限公司 | 终端设备的功耗处理方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940705A (zh) * | 2016-12-20 | 2017-07-11 | 上海掌门科技有限公司 | 一种用于构建用户画像的方法与设备 |
CN107391603A (zh) * | 2017-06-30 | 2017-11-24 | 北京奇虎科技有限公司 | 用于移动终端的用户画像建立方法及装置 |
CN109815987A (zh) * | 2018-12-27 | 2019-05-28 | 北京卓思天成数据咨询股份有限公司 | 一种人群分类方法和分类*** |
CN110263053A (zh) * | 2019-06-17 | 2019-09-20 | 浙江每日互动网络科技股份有限公司 | 一种基于移动终端数据获取移动终端画像标签的服务器 |
-
2019
- 2019-12-27 CN CN201911380415.5A patent/CN113050782B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940705A (zh) * | 2016-12-20 | 2017-07-11 | 上海掌门科技有限公司 | 一种用于构建用户画像的方法与设备 |
CN107391603A (zh) * | 2017-06-30 | 2017-11-24 | 北京奇虎科技有限公司 | 用于移动终端的用户画像建立方法及装置 |
CN109815987A (zh) * | 2018-12-27 | 2019-05-28 | 北京卓思天成数据咨询股份有限公司 | 一种人群分类方法和分类*** |
CN110263053A (zh) * | 2019-06-17 | 2019-09-20 | 浙江每日互动网络科技股份有限公司 | 一种基于移动终端数据获取移动终端画像标签的服务器 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116795628A (zh) * | 2023-05-24 | 2023-09-22 | 荣耀终端有限公司 | 终端设备的功耗处理方法、终端设备以及可读存储介质 |
CN116804960A (zh) * | 2023-05-24 | 2023-09-26 | 荣耀终端有限公司 | 终端设备的功耗处理方法和*** |
CN116795628B (zh) * | 2023-05-24 | 2024-05-14 | 荣耀终端有限公司 | 终端设备的功耗处理方法、终端设备以及可读存储介质 |
CN116804960B (zh) * | 2023-05-24 | 2024-06-04 | 荣耀终端有限公司 | 终端设备的功耗处理方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN113050782B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111143697B (zh) | 一种内容推荐的方法以及相关装置 | |
CN108121803B (zh) | 一种确定页面布局的方法和服务器 | |
CN110209810B (zh) | 相似文本识别方法以及装置 | |
CN107832132B (zh) | 应用控制方法、装置、存储介质及电子设备 | |
CN110741387B (zh) | 人脸识别方法、装置、存储介质及电子设备 | |
CN105869022B (zh) | 一种应用流行度预测方法和装置 | |
CN113050782B (zh) | 画像构建方法、装置、终端及存储介质 | |
CN110991392A (zh) | 人群识别方法、装置、终端及存储介质 | |
CN113055423B (zh) | 策略的推送方法、策略的执行方法、装置、设备及介质 | |
KR101028810B1 (ko) | 광고 대상 분석 장치 및 그 방법 | |
CN113449188A (zh) | 应用推荐方法、装置、电子设备及可读存储介质 | |
CN113051126B (zh) | 画像构建方法、装置、设备及存储介质 | |
CN106682054B (zh) | 一种终端应用推荐方法、装置和*** | |
CN111242239A (zh) | 一种训练样本选取方法、装置、以及计算机存储介质 | |
US20120166368A1 (en) | Apparatus for generating a probability graph model using a combination of variables and method for determining a combination of variables | |
CN107870811B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN110929882A (zh) | 一种基于人工智能的特征向量计算方法和相关装置 | |
CN110719367A (zh) | 一种云手机好友推荐方法、装置、设备及存储介质 | |
CN115309876A (zh) | 唤醒词推荐度的计算方法、装置、电子设备及存储介质 | |
CN106844504B (zh) | 一种发送歌单标识的方法和装置 | |
CN111612280B (zh) | 一种数据分析方法和装置 | |
CN114201696A (zh) | 一种消息推送方法及装置、存储介质、计算机设备 | |
CN115239356A (zh) | 一种推荐内容的管理方法以及相关装置 | |
Gaska et al. | MLStar: machine learning in energy profile estimation of android apps | |
CN106373013A (zh) | 协作标准调整方法和协作标准调整装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |